Stefan Mesken, Chief Scientist at DeepL – Wywiad z serii

Stefan Mesken, Chief Scientist at DeepL, spędził ponad pięć lat w DeepL, rozwijając jego podstawowe badania i przywództwo naukowe, zaczynając jako Research Scientist w październiku 2020, awansując na VP of Research w listopadzie 2023 i obejmując swoją obecną rolę w kwietniu 2025 w Monachium. Przed DeepL pracował jako Data Scientist w real.digital w regionie Kolonia-Bonn i prowadził badania z zakresu logiki matematycznej na Uniwersytecie w Münster. Jego kariera łączy podstawowe badania matematyczne i stosowaną sztuczną inteligencję, pozwalając mu kierować kierunkiem naukowym za dużymi modelami językowymi i wielojęzycznymi systemami sztucznej inteligencji DeepL.

DeepL to niemiecka firma sztucznej inteligencji, której celem jest budowanie zaawansowanych systemów językowych sztucznej inteligencji, umożliwiających dokładne, kontekstowe tłumaczenie i komunikację w ponad 100 językach. Założona w 2017 i z siedzibą w Kolonii, firma obsługuje miliony użytkowników na całym świecie i oferuje rozwiązania dla przedsiębiorstw za pośrednictwem subskrypcji i ofert API. Jej platforma rozwinęła się poza tłumaczeniem w kierunku szerszego pakietu Language AI, w tym pomocy w pisaniu i funkcji głosowych, zaprojektowanych w celu wspierania bezpiecznej, skalowalnej komunikacji dla globalnych firm i organizacji.

Rozpocząłeś swoją karierę w logice matematycznej, zanim przeszedłeś do zastosowanej nauki o danych i ostatecznie zostałeś liderem organizacji badawczej DeepL. Jak Twoja wcześniejsza praca w dziedzinie rozumowania formalnego wpłynęła na sposób myślenia o budowaniu autonomicznych, przedsiębiorczych systemów sztucznej inteligencji?

To, co mnie przyciągnęło do teorii zbiorów i logiki matematycznej, to niezaspokojona ciekawość, aby dowiedzieć się, jak te złożone systemy działają – od pierwszych zasad i w coraz większej głębi. Ta ciekawość była stałą częścią mojego życia od dzieciństwa. To również ten aspekt mojej pracy, który najbardziej kocham. Obecnie wyzwaniem jest rozwój stanu sztucznej inteligencji z intensywnym uwzględnieniem realnej użyteczności. Poza bezpieczeństwem i zaufaniem poświęcam swój czas, aby zapewnić, że firmy i użytkownicy wszystkich rodzajów mogą skorzystać z tej niesamowitej technologii. Do tej pory trend był inny: Większość rzeczywistych zastosowań sztucznej inteligencji jest albo całkowicie bierna (np. systemy rekomendacyjne, które można spożytkować, ale nie kontrolować) lub głównie wykorzystywane przez wysoko wykwalifikowanych, technicznych ludzi (np. asystenci programistów). Chcę zamknąć tę lukę: Każdy jednostka i firma powinna być przygotowana do sukcesu i w stanie rewolucjonizować sposób podejścia do pracy.

DeepL zbudował swoją reputację na wysokiej precyzji tłumaczeń. Jak ta podstawa w modelowaniu językowym ukształtowała wczesne myślenie firmy o przechodzeniu poza tłumaczenia w kierunku bardziej ogólnych systemów sztucznej inteligencji?

To, co sprawia, że sztuczna inteligencja jest tak magiczna, to to, że bardzo podobne pojęcia i idee mogą prowadzić do nowych rozwiązań w znacznie różnych dziedzinach: silniki szachowe, systemy rekomendacyjne, składanie białek, samochody bezzałogowe, silniki tłumaczeń i wiele innych. Wszystkie one są napędzane przez ten sam zestaw zasad i technik. Mając opanowane te techniki przez prawie dekadę, naturalnie myślimy o nowych problemach, na które możemy się skoncentrować. Wewnętrznie zawsze tak było, co doprowadziło do wynalezienia Glossary, Write, Voice, Customization Hub i innych.

Jako Chief Scientist, jak odróżniasz budowanie modeli językowych, które generują płynne dane wyjściowe, od budowania systemów, które mogą niezawodnie działać w ramach rzeczywistych przedsiębiorczych przepływów pracy?

Podstawowe idee są zdumiewająco podobne: Musimy zrozumieć dogłębnie, czego chcą nasi użytkownicy, a następnie dostosować nasze systemy sztucznej inteligencji do tych celów i preferencji. Czasami są one oczywiste i jawne; czasami są nuansowane i niewypowiedziane. W każdym przypadku naszym zadaniem jest zapewnienie, że praca, którą wykonujemy, ma wysoką wartość dla naszych użytkowników.

DeepL Agent reprezentuje zmianę z asystującej sztucznej inteligencji na autonomiczną egzekucję. Jakie były największe wyzwania techniczne w uczynieniu tej transformacji skuteczną w praktyce?

Przez cały czas największym wyzwaniem w budowaniu DeepL Agent jest użyteczność. Przez lata ekosystem sztucznej inteligencji był ukierunkowany głównie na programistów oprogramowania i wysoko wykwalifikowanych ekspertów. Z DeepL Agent chcemy to zmienić i wyposażyć każdego pracownika wiedzy w zaawansowane narzędzia do rozwiązywania i automatyzacji złożonych problemów. Aby to osiągnąć, potrzebujemy tego samego poziomu wyrafinowania w rozpoznawaniu, rozumowaniu, planowaniu i działaniu.

Z punktu widzenia architektury, jakie możliwości muszą być dostępne, zanim system sztucznej inteligencji może być ufał, aby działał autonomicznie w środowiskach przedsiębiorstw?

Dla szerokiego zakresu zadań administracyjnych technologia jest już dostępna. DeepL Agent może niezawodnie działać w Twoim środowisku, szukać porady, gdy jest to potrzebne, i oferować weryfikację z udziałem człowieka, gdy tylko się tego życzy. Ten poziom syntetycznej inteligencji był czystą fikcją tylko kilka miesięcy temu. Jednak nadal jest długa droga do przebycia. W ciągu najbliższych kilku lat agenci sztucznej inteligencji staną się warstwą współpracy w firmach — nieustannie pracując w tle, współpracując z ludźmi i ze sobą, aby wyeliminować zajęcia i umożliwić nam rozwiązywanie problemów, które wcześniej były poza zasięgiem.

Mówiłeś o głębokim zrozumieniu języka jako o przesłance odpowiedzialnych agentów sztucznej inteligencji. Co oznacza „głębokie” w tym kontekście poza powierzchniową płynnością?

Język jest zdumiewająco wieloznaczny i zależny od kontekstu — szczególnie w dziedzinach profesjonalnych. Prawdopodobnie doświadczyłeś tego sam: podsłuchujesz grupę przyjaciół dyskutujących o hobby, które nie dzielisz, lub specjalizacji zawodowej, której nie masz doświadczenia… Może to nie mieć sensu dla obcych, ale jakoś oni doskonale się rozumieją. Chcemy, aby asystenci sztucznej inteligencji czuli się tak samo bezproblemowo, jak rozmowa z doświadczonym, zaufanym współpracownikiem, z którym dzielisz lata współpracy. Niejawne preferencje powinny pozostać niejawne. Nie powinieneś musieć wielokrotnie wyjaśniać, jak chcesz, aby praca była wykonana. To może brzmieć oczywiście, ale wymaga ogromnych badań, aby to zrobić dobrze. To właśnie mam na myśli przez „głębokie” zrozumienie języka.

Jak podchodzisz do zabezpieczeń i nadzoru, gdy wdrażasz autonomiczne systemy, które mogą podejmować rzeczywiste działania, a nie tylko składać rekomendacje?

Aby asystenci sztucznej inteligencji mogli działać w kontekstach biznesowych, musimy starannie zrównoważyć możliwości z kontrolą. Większe możliwości tworzą ogromne możliwości produktywności, ale jeśli pozostaną niekontrolowane, stanowią zagrożenie. Nie może się to zdarzyć. Od samego początku DeepL Agent został wyposażony w zabezpieczenia na poziomie przedsiębiorstw, wdrożone w wielu formach. Współdzielone przestrzenie robocze dają użytkownikom precyzyjną kontrolę nad danymi i dostępem, jednocześnie napędzając ślady audytowe, nadzór człowieka i weryfikację z udziałem człowieka.

Jakie lekcje wyciągnąłeś z przenoszenia pomysłów z badań do produkcji bez poświęcania niezawodności czy dyscypliny naukowej?

Przerwa między badaniami a rozwojem produktu jest szersza, niż się powszechnie uważa. Oba zaczynają się od rygorystycznego podejścia do rozwiązywania wcześniej nierozwiązywalnych problemów i starannego zapisu tego, co działa, a co nie. Podczas gdy badania mogą uprościć zakres i założyć uproszczony model świata, rozwój produktu musi uwzględniać złożoność kontekstów rzeczywistych użytkowników. W asystencji sztucznej inteligencji użycie narzędzi jest przykładem pierwszorzędnym. Jest kuszące założyć, że środowiska zawsze będą przygotowane do automatyzacji, z dostępem do systemu i gotowymi API. Rzeczywistość różni się. Tak jak samochody bezzałogowe muszą radzić sobie z pełną złożonością dzisiejszej infrastruktury, agenci sztucznej inteligencji muszą działać skutecznie w ramach wzorców dostępu, danych i systemów, na które firmy polegają.

Jak DeepL rozwija się od platformy językowej do szerszego systemu sztucznej inteligencji dla przedsiębiorstw, jak decydujesz, które możliwości powinny pozostać ściśle kontrolowane, a które powinny być udostępnione do bardziej autonomicznego zachowania?

Poziom kontroli wymagany dla zadania jest określony przez dwa czynniki: niezawodność człowieka lub systemu, który go wykonuje, oraz potencjalny wpływ błędów. Dotyczy to zarówno wykonania przez człowieka, jak i maszynę. Niezawodność sztucznej inteligencji znacznie wzrosła w ciągu ostatnich kilku lat i będzie się nadal poprawiać. W związku z tym ścisła kontrola będzie konieczna dla coraz mniejszej liczby zadań. Ostatecznie niezawodność sztucznej inteligencji przewyższy nawet poziom ekspertów ludzkich w wielu zadaniach. To również dotyczy mechanizmów kontroli, które będą coraz częściej przechodzić na nadzór sztucznej inteligencji.

Spójrzając w przyszłość, jakie przełomy w zrozumieniu języka lub projektowaniu agentów uważasz, że będą najbardziej kształtować sztuczną inteligencję w przedsiębiorstwach w ciągu najbliższych dwóch lat?

Agenci sztucznej inteligencji nie tylko pomogą w indywidualnych zadaniach. Utworzą współpracującą warstwę produktywności w firmach, która działa na naszą korzyść, aby zmniejszyć rozpraszanie, przygotować i udostępnić informacje dokładnie wtedy, gdy są potrzebne, i rozwiązać problemy oraz coraz bardziej złożone zadania całkowicie w tle.

Dziękuję za wspaniały wywiad, czytelnicy, którzy chcą dowiedzieć się więcej, powinni odwiedzić DeepL.